Đánh giá khả năng ứng dụng mạng nơ-ron nhân tạo dự báo lún bề mặt mỏ do khai thác hầm lò

Đánh giá khả năng ứng dụng mạng nơ-ron nhân tạo dự báo lún bề mặt mỏ do khai thác hầm lò đánh giá khả năng sử dụng mạng nơ-ron nhân tạo trong dự báo sụt lún bề mặt do khai thác hầm lò trên cơ sở xây dựng một mô hình mạng nơ-ron truyền thẳng 2 lớp.
Nội dung trích xuất từ tài liệu:
Đánh giá khả năng ứng dụng mạng nơ-ron nhân tạo dự báo lún bề mặt mỏ do khai thác hầm lò Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất Số 55 (2016) 79-88 Đánh giá khả năng ứng dụng mạng nơ-ron nhân tạo dự báo lún bề mặt mỏ do khai thác hầm lò Nguyễn Quốc Long* Trường Đại học Mỏ - Địa chất, Việt Nam THÔNG TIN BÀI BÁO TÓM TẮT Quá trình: Nhận bài 25/7/2016 Chấp nhận 5/8/2016 Đăng online 30/8/2016 Bài báo đánh giá khả năng sử dụng mạng nơ-ron nhân tạo trong dự báo sụt lún bề mặt do khai thác hầm lò trên cơ sở xây dựng một mô hình mạng nơ-ron truyền thẳng 2 lớp. Dữ liệu huấn luyện và dữ liệu kiểm tra được lấy từ mô hình dự báo lún đã được chứng mình phù hợp với điều kiện địa chất - khai thác mỏ ở Việt Nam. Đánh giá khả năng dự báo của mạng sau khi huấn luyện được tiến hành trong 3 điều kiện địa chất - khai thác hoàn toàn khác trong tệp huấn luyện. Độ lệch dự báo lún từ mạng và thực tế lớn nhất trong 3 trường hợp lần lượt là 0.127m, 0.212m và 0.019m. Độ lệch trung phương RMS lớn nhất trong 3 trường hợp là 0.106m, tương đương 5% độ lún cực đại. Kết quả này là cơ sở đề xuất một mô hình mạng nơ-ron dự báo lún trong thực tế cho các mỏ khai thác hầm lò ở Quảng Ninh. Từ khóa: Mạng nơ-ron nhân tạo Dự báo sụt lún Khai thác mỏ hầm lò © 2016 Trường Đại học Mỏ - Địa chất. Tất cả các quyền được bảo đảm. 1. Mở đầu Cho đến nay, các lý thuyết dự báo dịch chuyển và biến dạng bề mặt mỏ được chia làm ba hướng chính: dựa vào nguyên lý hình học, dựa trên môi trường cơ học liên tục và dựa vào lý thuyết ngẫu nhiên. Các nhà khoa học trên thế giới đã phát triển nhiều phương pháp dự báo dựa trên các lý thuyết này, có thể nhóm thành 5 nhóm phương pháp như: nhóm phương pháp quan hệ thực nghiệm, hàm mặt cắt, hàm ảnh hưởng, giải tích và mô hình vật lý (David J. Reddish, Barry N. Whittaker, 2012). Với sự phát triển của khoa học máy tính, mạng nơ-ron nhân tạo đã được ứng dụng rộng ____________________________ *Tác giả liên hệ. E-mail: nguyenquoclong@humg.edu.vn rãi trong nhiều lĩnh vực, trong đó có khoa học dự báo. Mạng nơ-ron nhân tạo có khả năng liên kết, tích hợp các thông số khác nhau để xác định và dự báo trong nhiều ứng dụng (Guoqiang Zhang, et al., 1998). Điểm mạnh của mạng nơ-ron nhân tạo là khả năng dự báo tốt với những dữ liệu phức tạp mà người dự báo không có các thông tin và kiến thức cụ thể về tính quy luật của dữ liệu. Đối với những dữ liệu này, mạng nơ-ron nhân tạo cho khả năng tổng quát hóa cao trong dự báo, hơn nữa, nó còn có khả năng dự báo cho các đại lượng xuất hiện không tuyến tính. Việc dự báo các đại lượng dịch chuyển do ảnh hưởng quá trình khai thác mỏ hầm lò bằng mạng nơ-ron nhân tạo đã được thực hiện bởi khá nhiều tác giả nước ngoài như Trang 79 Nguyễn Quốc Long/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 55 (79-88) nghiên cứu của (Ambrožič và Turk, 2003) để dự đoán mức độ sụt lún bề mặt do khai thác than tại mỏ Velenje, Slovenia; (Ki-Dong Kim và nnk, 2009) nghiên cứu dự báo mức độ sụt lún của thành phố Samcheok, Hàn Quốc do ảnh hưởng của mỏ than đã khai thác; nghiên cứu của (Saro Lee và nnk 2012) sử dụng mạng nơ-ron nhân tạo để dự báo ảnh hưởng sụt lún tại khu mỏ Jeong-am, Hàn Quốc; nghiên cứu của (Yang và Xia, 2013) về dự báo mức độ sụt lún bề mặt đối khi khai thác các mỏ nằm dưới lớp đá mỏng và lớp đất mượn dày. So với các phương pháp dự báo mức độ sụt lún đã được sử dụng trước dựa vào các công thức và tham số được xác định thì phương pháp dự báo lún sử dụng mạng nơron nhân tạo được coi là phương pháp dự báo không sử dụng tham số và có khả năng dự báo cho các khu vực với các đặc điểm địa chất, địa hình đặc biệt. Đây là vấn đề cần được giải quyết trong bài toán dự báo các đại lượng dịch chuyển do ảnh hưởng của quá trình khai thác mỏ. Dự báo mức độ sụt lún bằng mạng nơ-ron nhân tạo là phương pháp hiện đại, phương pháp này cần có dữ liệu thực tế quan trắc lún trên các khu vực khai thác để làm dữ liệu đầu vào huấn luyện mạng, tuy vậy điều này có thể dễ dàng thu nhận được hơn nhiều so với việc thu thập các yếu tố ảnh hưởng cần thiết với độ chính xác cao cho các nhóm phương pháp đề cập ở trên. Bài báo đánh giá khả năng sử dụng mạng nơ-ron nhân tạo trong dự báo sụt lún bề mặt do khai thác hầm lò, trên cơ sở đó đề xuất một mô hình mạng nơ-ron dự báo lún bề mặt phù hợp với điều kiện khai thác mỏ hầm lò ở Việt Nam. 2. Mạng nơ-ron truyền thẳng nhiều lớp (MLP) Mạng nơ-ron nhân tạo được thiết kế tương tự như nơ-ron sinh học được ứng dụng rộng trong nhiều lĩnh vực, nó có khả năng liên kết, tích hợp các thông số khác nhau để xác định và dự báo hiện tượng theo nguyên lý nhân-quả. Mạng nơ-ron nhân tạo là thuật toán mô phỏng hoạt động của hệ thần kinh sinh học Trang 80 trong việc giải quyết các bài toán kỹ thuật và công nghệ. Mô hình mạng nơron được sử dụng rộng rãi nhất là mô hình mạng truyền thẳng nhiều lớp (MLP: Multi Layer Perceptron). Một mạng MLP tổng quát là mạng có n (n≥2) lớp (thông thường tầng đầu vào không được tính đến): trong đó gồm một tầng đầu ra (tầng thứ n) và (n-1) tầng ẩn (Hình 1). Hoạt động của mạng MLP như sau: tại tầng đầu vào các nơron nhận tín hiệu vào xử lý (tính tổng trọng số, gửi tới hàm truyền) rồi cho ra kết quả (là kết quả của hàm truyền); kết quả này sẽ được truyền tới các nơ-ron thuộc lớp ẩn thứ nhất; các nơron tại đây tiếp nhận như là tín hiệu đầu vào, xử lý và gửi kết quả đến lớp ẩn thứ 2;…; quá trình tiếp tục cho đến khi các nơ-ron thuộc tầng ra cho kết quả. Để một mạng nơ-ron nhân tạo mô phỏng chính xác một hiện tượng, cần phải có quá trình huấn luyện mạng. Trong quá trình này, các thông số khác của mạng không thay đổi, trong khi giá trị các trọng số liên kết được điều chỉnh sao cho đầu ra của mạng gần với giá trị mong muốn. Mỗi một trường hợp tham gia trong quá trình huấn luyện là một véc-tơ dữ liệu biểu diễn số liệu quan trắc của hiện tượng. Quá trình học của mạng có thể chia ra thành 2 loại là học có giám sát và học không giám sát. Trong trường hợp xây dựng mô hình dự báo biến dạng mỏ thì hầu hết sử dụng quá trình học có giám sát, ...